基于无监督对抗域自适应的跨域故障诊断方法

【作者】 雷子豪； 原嘉； 苏宇； 田飞宇； 温广瑞； 陈雪峰；

【机构】 西安交通大学机械制造系统工程国家重点实验室； 西安交通大学航空动力系统与等离子体技术全国重点实验室； 西安交通大学现代设计及转子轴承系统教育部重点实验室；

【摘要】 随着大数据时代的到来,基于深度学习的方法以其强大的特征表示能力正成为故障诊断领域的研究热点。然而,由于昂贵的人工成本和实际工业场景中的限制,很难获得足够的且具有标记的故障数据。此外,由于工况的复杂多变和环境因素的干扰,导致训练数据和测试数据的概率分布存在显着差异,使得模型的泛化能力差。进一步地,如何充分挖掘和表征数据的结构化信息,并将其有效建模至模型中,同样限制了智能故障诊断在实际工业现场的落地。为了解决上述问题,本文提出了一种基于对抗思想的联合域自适应图卷积网络用于跨域智能故障诊断。首先设计了一个多尺度卷积神经网络用于提取节点特征,并引入混合注意力机制以期更好地融合多尺度信息并获得更有效的特征。其次,采用基于内积核的自适应相似度图构建方法将节点特征转化为图数据。接下来,引入图神经网络来获取图结构信息。最后设计联合域适自适应模块,以减小源域和目标域之间的分布差异,从而实现跨域故障诊断。在实验室变工况轴承数据集上进行验证,结果表明了所提方法在跨域故障诊断中的有效性和优越性。更多还原